API audio : modèles de transcription, voix et agents IA

Trois usages, trois familles de modèles

Le mot « audio » recouvre des tâches qui n’ont ni les mêmes entrées ni les mêmes critères de qualité. En reconnaissance vocale, vous envoyez un fichier ou un flux audio et récupérez du texte, parfois enrichi d’horodatages et de changements de locuteur. En synthèse vocale, vous fournissez du texte et le service produit une voix. Un agent vocal combine compréhension, génération de réponse et gestion des tours de parole.

Commencez par décrire votre parcours utilisateur. Pour archiver des réunions, privilégiez une transcription lisible et des intervenants correctement séparés. Pour une narration, le naturel de la voix et la stabilité sur un long texte comptent davantage. Au téléphone, quelques secondes de silence peuvent faire échouer l’échange : la latence de bout en bout et la gestion des interruptions sont alors centrales.

Ne choisissez pas simplement le modèle qui affiche le plus de langues ou la latence médiane la plus basse. Testez avec vos accents, microphones, bruits de fond et textes. Un résultat convaincant sur une phrase préparée ne garantit pas un bon rendu sur un appel réel.

Transcrire : ponctuation, horodatage et diarisation

Pour des réunions enregistrées, scribe_v2 d’ElevenLabs propose une transcription dans plus de 90 langues, des horodatages au niveau du mot et la diarisation jusqu’à 32 locuteurs. Celle-ci indique qui parle à quel moment, sans nécessairement identifier les personnes par leur nom. La famille Voxtral Transcribe 3 de Mistral comprend aussi des modèles de transcription et de diarisation.

Le bon choix dépend de l’usage du texte. Pour des sous-titres, des repères temporels précis évitent de recaler chaque phrase à la main. Pour un compte rendu, séparer les voix peut suffire, même si votre application ajoute les noms ensuite. Pour des consultations enregistrées, scribe_v2_medical est un modèle batch conçu pour l’audio clinique. Vérifiez qu’il convient à votre vocabulaire et à votre flux de travail.

Pour les sous-titres en direct ou une commande vocale, regardez scribe_v2_realtime, dont la médiane annoncée pour obtenir une transcription validée est d’environ 150 ms. Cette mesure exclut le réseau et le temps de votre application : elle ne prédit donc pas le délai perçu. Évaluez aussi les erreurs sur les noms propres, les chiffres et les passages où plusieurs personnes parlent en même temps.

Synthèse vocale : naturel, langues et durée

Pour une narration multilingue, les modèles d’ElevenLabs illustrent plusieurs compromis. eleven_v4 couvre plus de 90 langues et est présenté comme le modèle le plus expressif de la gamme. eleven_multilingual_v2 prend en charge 29 langues et est décrit comme particulièrement stable sur les contenus longs. Pour un livre audio, faites écouter plusieurs minutes d’affilée : le rythme et la prononciation se jugent mieux sur la durée.

Si votre application privilégie la rapidité, eleven_v4_turbo couvre plus de 90 langues avec une latence médiane annoncée d’environ 100 ms. eleven_flash_v2_5 couvre 32 langues, avec une médiane similaire ; eleven_flash_v2 est destiné à l’anglais et affiche environ 135 ms. Ce sont des mesures du fabricant, hors latence réseau et application, pas des délais garantis. eleven_v3 couvre plus de 70 langues.

La gamme Voxtral TTS 3 de Mistral est présentée pour la génération vocale, le clonage de voix et le streaming. Le clonage peut conserver une voix de marque, mais exige le consentement de la personne concernée et le respect des règles du fournisseur. Vérifiez les conditions d’usage, les voix disponibles et le traitement des données envoyées.

Agents vocaux : mesurer la conversation entière

Un agent vocal ne se résume pas à la vitesse de transcription ou de synthèse. Il doit reconnaître la fin d’une phrase, répondre sans délai gênant, laisser l’utilisateur l’interrompre et reprendre le fil. Une étape rapide peut tout de même donner une conversation lente si le réseau, votre serveur ou les appels d’outils ajoutent de l’attente.

eleven_realtime_v1_mini est décrit comme adapté à la conversation, aux tours de parole et aux interruptions. eleven_realtime_v1_max vise les tâches en plusieurs étapes et prend en charge l’appel d’outils. Mistral propose aussi Voxtral Mini Transcribe Realtime 3 pour les usages temps réel et les agents. Ces options existent chez leurs fabricants ; cela ne prouve pas qu’une plateforme de cette sélection les propose.

Testez depuis l’application que vous comptez déployer. Mesurez le délai entre la fin d’une phrase et le début de la réponse, puis recommencez avec une connexion mobile, du bruit et une interruption. Enregistrez aussi les échecs et les reprises nécessaires. Les médianes des fabricants excluent la latence de votre application et du réseau : ce ne sont pas des mesures de bout en bout.

Musique et audio entrant : distinguer les catégories

La génération musicale est distincte de la transcription et de la voix parlée. ElevenLabs répertorie aussi music_v2_5, music_v2 et music_v1 ; une équipe peut donc envisager voix et musique dans un même ensemble d’API chez ce fabricant. Cela ne signifie pas que les plateformes de cette sélection donnent accès à ces modèles.

Mistral distingue ses modèles premium Voxtral de Voxtral Small (25.07), présenté comme ouvert sous licence Apache 2.0 et capable de traiter de l’audio en entrée pour des usages d’instruction. Ce n’est pas un service de synthèse vocale hébergé : ce modèle peut intéresser les équipes qui veulent exploiter un modèle audio entrant dans leur propre environnement.

Plateforme multi-modèles ou API directe ?

La table au-dessus ne conserve que les plateformes proposant des modèles audio, mais elle affiche des familles et non les noms précis des modèles. Elle ne confirme donc pas la disponibilité d’ElevenLabs, de Voxtral ou d’une version particulière. Les volumes indiqués couvrent tous les types de modèles, pas seulement l’audio. Vérifiez le catalogue et les identifiants accessibles avant de concevoir votre intégration autour d’un modèle précis.

Une plateforme multi-modèles peut simplifier la facturation et l’accès à plusieurs familles, selon ses fonctions. L’accès direct au fabricant peut convenir si vous avez besoin d’une fonction spécifique, d’une documentation détaillée ou d’un contrôle direct sur les options. Dans les deux cas, contrôlez la disponibilité régionale, les limites de requêtes, les formats de fichiers, la conservation des données et la compatibilité avec le streaming.

La sélection audio comprend AI/ML API, CometAPI, Novita AI, PiAPI, WaveSpeedAI et BeeSwitch. Certaines offres sont à l’usage avec un minimum de recharge ; WaveSpeedAI est également indiqué à l’usage, tandis que BeeSwitch affiche un forfait mensuel. Ce sont des conditions d’offre, pas des tarifs de transcription ou de synthèse comparables. Les crédits gratuits affichés n’ont pas d’unité précisée : ne les convertissez pas en minutes audio.

• Pour la transcription, comparez un même fichier et vérifiez les mots, les horodatages et les changements de locuteur.
• Pour la synthèse, générez un texte de même longueur et évaluez le rendu, la durée audio et les langues nécessaires.
• Pour un agent, mesurez le délai total dans votre application et testez les interruptions, pas seulement la médiane du modèle.
• Pour comparer les dépenses, ramenez les offres à votre volume réel : la transcription peut être facturée à la minute audio, la synthèse au caractère ou à la durée de sortie. Convertissez les unités avant toute comparaison.

Dans l’ensemble de notre comparatif IA, et non dans ce seul filtre audio, les tarifs commencent à 31,33 € parmi 7 offres et 7 plateformes. Ces montants ne remplacent pas une comparaison du coût audio à votre volume : les tarifs d’usage dépendent du modèle et de l’unité. Les prix de l’ensemble du comparatif ont été synchronisés le 31 octobre 2026.